崔高健 鐘博浩

摘 要：能量管理策略是混合動(dòng)力汽車（HEV）的核心部分，對提高混合動(dòng)力汽車燃油經(jīng)濟(jì)性、安全性、環(huán)保性具有至關(guān)重要的作用。本文對混合動(dòng)力汽車的典型控制策略進(jìn)行了總結(jié)，并對基于模型預(yù)測控制（MPC）的混合動(dòng)力汽車能量管理策略進(jìn)行介紹及對比研究，最后提出基于模型預(yù)測控制的混合動(dòng)力汽車能量管理策略的新探索、新嘗試。關(guān)鍵詞：混合動(dòng)力汽車；能量管理；控制策略；MPC

混合動(dòng)力汽車（ HEV）作為新能源汽車的一種，是國家推進(jìn)的戰(zhàn)略性新興產(chǎn)業(yè)之一，日益成為汽車市場的主流競爭者?；旌蟿?dòng)力汽車兼具了傳統(tǒng)燃油車和純電動(dòng)車二者的優(yōu)點(diǎn)，采用至少兩種車載動(dòng)力源的設(shè)計(jì)模式，通過不同能源的優(yōu)勢互補(bǔ)，增加了系統(tǒng)控制的靈活性。同時(shí)，在保證了汽車穩(wěn)定操作的環(huán)境下，實(shí)現(xiàn)了其動(dòng)力性、安全性、舒適性的提高，并達(dá)到了節(jié)能減排的效果。由于混合動(dòng)力汽車其獨(dú)特的優(yōu)越性因此也有著復(fù)雜的系統(tǒng)狀態(tài)，為了提高其整體性能，對其控制策略也提出了極高的要求。能量管理策略作為混合動(dòng)力汽車的核心部分，其好壞優(yōu)劣直接影響著混合動(dòng)力汽車的可靠性、安全性、經(jīng)濟(jì)型和排放性能。因此，能量管理策略一直是混合動(dòng)力汽車領(lǐng)域研究的重要課題，世界各國的相關(guān)專家對此也有了豐富的研究。

本文首先總結(jié)國內(nèi)外相關(guān)人員對混合動(dòng)力汽車控制策略的研究成果，介紹與分析不同控制策略的基本方法及意義，然后提出基于 MPC控制策略的優(yōu)越性及分析不同參考模型的獨(dú)特之處，總結(jié)基于 MPC的混合動(dòng)力汽車能量控制策略的優(yōu)勢與不足，并對未來混合動(dòng)力汽車能量管理策略的研究方向與發(fā)展思路提出展望。

1 混合動(dòng)力汽車典型的能量管理策略

為了實(shí)現(xiàn)混合動(dòng)力汽車的發(fā)動(dòng)機(jī)在最佳效率區(qū)和排放區(qū)工作，同時(shí)綜合考慮電池、電傳動(dòng)系統(tǒng)、發(fā)動(dòng)機(jī)和發(fā)電機(jī)的總體效率，國內(nèi)外專家做了不同控制策略的探索，總結(jié)起來，目前國內(nèi)外對于混合動(dòng)力汽車的控制策略主要分為以下幾類：

1.1 基于規(guī)則的控制策略

基于規(guī)則的控制策略是一種穩(wěn)態(tài)的控制策略，主要包括邏輯門限值控制策略及邏輯模糊控制策略。邏輯門限值控制策略的基本方法是保持發(fā)動(dòng)機(jī)工作在高效率區(qū)間，一旦超過這個(gè)區(qū)間，發(fā)動(dòng)機(jī)停止工作，由電動(dòng)機(jī)提供動(dòng)力。這種策略算法簡單，容易實(shí)現(xiàn)，具有很好的魯棒性；模糊邏輯控制策略與邏輯門限值控制策略的原理基本相同，其區(qū)別主要在各種門限值的表達(dá)方式，模糊化之后的門限值能更好的表達(dá)各種控制模式之間的過渡區(qū)，近年來被越來越多的運(yùn)用于 HEV的控制領(lǐng)域。

1.2 基于優(yōu)化的控制策略

基于優(yōu)化的控制策略包括應(yīng)用全局優(yōu)化算法和運(yùn)用實(shí)時(shí)優(yōu)化算法的兩種控制策略。運(yùn)用全局優(yōu)化算法的控制策略通常是在某一確定循環(huán)行駛工況下，通過采用各種優(yōu)化算法如動(dòng)態(tài)規(guī)劃、遺傳算法等優(yōu)化 HEV控制規(guī)律以提高燃油經(jīng)濟(jì)性和減少排放，同時(shí)采用性能加權(quán)法精簡最優(yōu)化目標(biāo)個(gè)數(shù)，尋找最優(yōu)的優(yōu)化方法；實(shí)時(shí)優(yōu)化算法僅僅關(guān)注當(dāng)前時(shí)刻的最優(yōu)值，使得汽車在任意時(shí)間點(diǎn)的能量損失最小。這種優(yōu)化方法的好處是求解過程相對簡單，計(jì)算速度快，可以在線運(yùn)行，實(shí)現(xiàn)對混合動(dòng)力汽車在特定工況下動(dòng)力系統(tǒng)優(yōu)化的目標(biāo)，可以得到定時(shí)最優(yōu)工作點(diǎn)。

1.3 基于行駛工況預(yù)測的控制策略

車輛行駛工況是 HEV制定控制策略的前提條件，目前對于車輛行駛工況的預(yù)測方法有兩種：一是根據(jù)歷史行車工況進(jìn)行預(yù)測，二是通過GPS等定位系統(tǒng)獲得未來行車路況。電池電量根據(jù)路況的預(yù)測進(jìn)行調(diào)節(jié)，在不同的行駛路況上對何時(shí)采用電動(dòng)機(jī)驅(qū)動(dòng)車輛或發(fā)動(dòng)機(jī)提供動(dòng)力作出選擇。

2 基于 MPC的混合動(dòng)力汽車能量管理控制策略

模型預(yù)測控制（model predictive control， MPC）是近年來被廣泛討論的一種反饋控制策略。模型預(yù)測控制的機(jī)理可以簡單的描述為：在每一采樣時(shí)刻，根據(jù)當(dāng)前測量信息，在線求解一個(gè)有限時(shí)域開環(huán)優(yōu)化問題，并將所得控制序列的第一元素作用于被控對象，然后在下一個(gè)采取樣本的時(shí)刻重復(fù)此過程，將新的測量值刷新優(yōu)化問題并重新求解。在線求解開環(huán)優(yōu)化問題獲得開環(huán)優(yōu)化序列是模型預(yù)測控制和傳統(tǒng)控制方法的主要區(qū)別。針對當(dāng)前多數(shù)依靠經(jīng)驗(yàn)的傳統(tǒng)控制策略而言，模型預(yù)測控制策略采用瞬時(shí)優(yōu)化，結(jié)合其滾動(dòng)優(yōu)化和反饋矯正的特點(diǎn)，更好的彌補(bǔ)了單純依靠經(jīng)驗(yàn)及離線求解所帶來的誤差，很好的解決了由于駕駛員行駛車輛時(shí)的不確定性對控制策略的影響。

結(jié)合模型預(yù)測理論近年來在工業(yè)生產(chǎn)中取得的成就和經(jīng)驗(yàn)，一大批學(xué)者開始將這一理論結(jié)合到混合動(dòng)力汽車控制策略中。模型預(yù)測控制策略可以看作是一個(gè)約束非線性動(dòng)態(tài)優(yōu)化問題， MPC控制器計(jì)算未來的控制序列和最小化的性能指標(biāo)，反映了優(yōu)化目標(biāo)方程的系統(tǒng)和動(dòng)態(tài)模型的約束。學(xué)者 Hoseinali Borhan，Ardalan Vahidi首先提出基于兩種形式的成本函數(shù)所開發(fā)的兩個(gè) MPC方法，一是基于模型預(yù)測基本原理、約束控制及估值原理將非線性模型線性化的 LTV-MPC控制策略。LTV-MPC控制方法是非線性預(yù)測模型在每個(gè)樣品單次當(dāng)前操作條件下被線性化，通過線性化模型制定線性 MPC問題，在每個(gè)采樣時(shí)間下，進(jìn)而通過線性模型得到控制輸入；二是建立了非線性 MPC控制策略，定義了不同成本函數(shù)的最小化問題。由于在真實(shí)的應(yīng)用環(huán)境中，駕駛員通常不能提前確知駕駛的環(huán)境狀況及時(shí)間范圍，因此模型的參數(shù)和約束條件就可能會(huì)各有差異。為了解決這些問題，采用貝爾曼最優(yōu)性原理將上述最優(yōu)控制問題轉(zhuǎn)化為一個(gè)集成階段性成本和一個(gè)近似最小燃料成本的預(yù)測地平線驅(qū)動(dòng)周期，進(jìn)而通過動(dòng)力系統(tǒng)仿真分析工具箱（ PAST）軟件默認(rèn)算法對比得出結(jié)論：在城市工況和高速公路工況下， LTV-MPC控制策略與非線性 MPC控制策略的適用性均有提高，且非線性 MPC性能提高更加明顯。

模型預(yù)測控制的核心之一是對汽車未來行駛狀態(tài)的預(yù)測，如何建造參考模型是關(guān)鍵，近年來學(xué)者們分別用廣義指數(shù)變化、馬爾可夫鏈模型、貝爾曼最優(yōu)性原理、神經(jīng)網(wǎng)絡(luò)、卡爾曼濾波原理等方法建立了參考模型。學(xué)者孟凡博，黃開勝利用對加速踏板位置的預(yù)測，將加速踏板未來狀態(tài)視為一種概率分布，建立隨機(jī)馬爾可夫模型，來反映混合動(dòng)力車輛未來整車轉(zhuǎn)矩的需求。采用動(dòng)態(tài)規(guī)劃的策略對有限預(yù)測時(shí)域內(nèi)的目標(biāo)函數(shù)進(jìn)行最小值求解，得出最優(yōu)的發(fā)動(dòng)機(jī)轉(zhuǎn)矩和電機(jī)轉(zhuǎn)矩。由于考慮到加速踏板未來狀態(tài)的概率分布，基于馬爾可夫鏈的隨機(jī)預(yù)測模型能夠更準(zhǔn)確地預(yù)測未來汽車的動(dòng)力需求，對比基于規(guī)則的控制策略，能夠顯著地提高車輛的燃油經(jīng)濟(jì)性，燃油消耗節(jié)省 13%這說明基于馬爾可夫鏈的隨機(jī)預(yù)測模型在 MPC中具有較好的應(yīng)用前景，值得進(jìn)一步分析研究。

學(xué)者 Chao Sun，Scott J.Moura提出了一種以提高功率分流混合電動(dòng)汽車的燃油經(jīng)濟(jì)性為目標(biāo)的在非線性 MPC框架。將神經(jīng)網(wǎng)絡(luò)和其他兩種速度預(yù)測方法（廣義指數(shù)變化和馬爾可夫鏈模型）進(jìn)行了對比。神經(jīng)網(wǎng)絡(luò)可模擬出一個(gè)高度近似非線性的輸入輸出關(guān)系，這個(gè)數(shù)據(jù)集覆蓋了一組相對全面的駕駛場景，包括城市和高速公路的日程，且不需要遙測或車載傳感器信息。 Chao Sun， Scott J. Moura還進(jìn)行了相對性研究，以避免絕對性而導(dǎo)致的誤差，任意設(shè)定的 85%的數(shù)據(jù)用于訓(xùn)練，其余的用于驗(yàn)證。結(jié)果得出與廣義指數(shù)變化和馬爾可夫鏈模型方法對比中，結(jié)合神經(jīng)網(wǎng)絡(luò)的模型預(yù)測控制無論是從平均值還是標(biāo)準(zhǔn)偏差都能實(shí)現(xiàn)最少的燃料消耗。

學(xué)者丁峰，馬文杰根據(jù)卡爾曼濾波原理制定了基于模型預(yù)測控制的能量管理策略。該策略主要采用雙層控制器，上層控制器基于模型預(yù)測控制計(jì)算出發(fā)動(dòng)機(jī)最優(yōu)轉(zhuǎn)速轉(zhuǎn)矩，下層控制器基于規(guī)則控制分配功率需求于各部件。以發(fā)動(dòng)機(jī)的燃油消耗率和 SOC（State of Charge，荷電狀態(tài)）的理想?yún)⒖贾底鳛閮?yōu)化目標(biāo)。運(yùn)用卡爾曼濾波原理觀測系統(tǒng)狀態(tài)變量 SOC當(dāng)前時(shí)刻的狀態(tài)，觀測模型在原有的被控對象模型基礎(chǔ)上，在輸出端加上噪聲模型，同時(shí)給整個(gè)系統(tǒng)一干擾模型。最后，以典型城市工況 UDDS 為例進(jìn)行仿真測試?；谀Ｐ皖A(yù)測控制的控制器其 SOC 在參考值0.65 附近波動(dòng)，得到 100 km 油耗為 3.3L，比 Advisor 中規(guī)則控制下的 100 km 油耗 3.6L下降了 8.3%。

3 回顧與展望

通過近年來的研究， MPC控制策略能夠極好的改善混合動(dòng)力汽車的可靠性、安全性、經(jīng)濟(jì)型和排放性能，在與傳統(tǒng)控制策略的對比中優(yōu)勢明顯。但由于 HEV狀態(tài)的多變性，預(yù)測模型的精準(zhǔn)性是 MPC控制策略的關(guān)鍵，所以需要我們建立更為精準(zhǔn)的車輛預(yù)測模型，與智能交通系統(tǒng)相結(jié)合，利用先進(jìn)的傳感器、 GPS、智能交通系統(tǒng)，使車輛的預(yù)測與實(shí)際工況更緊密地聯(lián)系在一起。同時(shí)大多數(shù)依靠經(jīng)驗(yàn)或?qū)嶒?yàn)所得的加權(quán)因子、控制時(shí)域及預(yù)測時(shí)域的值也對整個(gè)策略起到關(guān)鍵的影響，可以進(jìn)一步對其進(jìn)行優(yōu)化分析或引入工況識別的方法得到最適合當(dāng)前狀態(tài)的值。

參考文獻(xiàn)：

[1] Niels J Schouten. Fuzzy Logic Control for Parallel Hybrid Vehicles [J].IEEE Transactions on Control SystemsTech2nology，2002，10（3）：66-68.

[2]Stephane Rimaux，Michel Delhom， Emmanuel Combes.Hybrid vehicle powertrain： modeling and control[C]//EVS-16.[S.l.]：[S.n.]，2002.

[3]彭?xiàng)?，殷承?.混合動(dòng)力汽車控制制動(dòng)力矩陣動(dòng)態(tài)分配控制策略研究 [J].系統(tǒng)仿真學(xué)報(bào)，2007，19（22）：5254-5259.

[4]陳虹 .模型預(yù)測控制 [M].科學(xué)出版社， 2013.

[5 Hoseinali Borhan， Ardalan Vahidi . MPC-Based Energy Management of a Power-Split Hybrid Electric Vehicle. IEEE Transactions onControl Systems Technology，2012，20（3）.

[6]孟凡博，黃開勝 .基于馬爾可夫鏈的混合動(dòng)力汽車模型預(yù)測控制 .中國機(jī)械工程，2014，10（1）.

[7] Chao Sun， Scott J. Moura. Comparison of Velocity Forecasting Strategies for Predictive in HEVS.

[8]丁峰，馬文杰 .基于模型預(yù)測控制的混聯(lián)式混合動(dòng)力車輛能量管理策略.北京汽車， 2015.